【技术实现步骤摘要】
基于偏振成像的深度学习指针仪表读数识别方法
[0001]本专利技术属于仪表数据采集
,具体涉及一种基于偏振成像的深度学习指针仪表读数识别方法
。
技术介绍
[0002]指针仪表广泛用于变电站系统,例如指针式油位表计
、
油压表计等等
。
传统获取这些指针仪表读取方法为定期或非定期人工检查,然而这种方式不仅耗时耗力效率较低并且准确性较差
。
除此之外,有一些时候由于大量设备在高温
、
高压
、
高海拔地区,工作人员难以进入到相关设备进行读数读取,并且读取后再进行集中统计效率较低无法达到实时性
。
工人每天都要进行大量的抄表工作,这些仪表需要一定的计算,高精度仪表读取比较困难,而且记录数据需要大量工作人员手动完成,这很容易导致员工疲劳,从而造成一些数据读取不正确,一些数据记录不正确,并且当时无法立即发现
。
长远来看可能会造成严重的经济损失
。
因此使用自动化读取仪表读数很有必要
。
[0003]目前主流方法为传统方法,张文杰等提出了一种基于视觉显著性区域检测先验知识来获得指针区域的方法,再通过旋转仪表对比指针投影最大值,获取指针与横轴的夹角;
Kim
等提出了基于形态学的处理方法来进行指针仪表读数
。
传统方法都有一个前提,就是需要先把仪表的位置裁剪出来,再对仪表内指针进行读数,而裁剪的好坏将决定仪表读数的准确性,并且需要对图像进行 ...
【技术保护点】
【技术特征摘要】
1.
基于偏振成像的深度学习指针仪表读数识别方法,其特征在于,包括如下步骤:步骤
S1
:通过摄像头采集获取指针仪表的若干第一图像;第一图像包括四个角度的偏振图像,四个角度的偏振图像均为灰度图像;步骤
S2
:对第一图像中的指针仪表进行表盘位置标注,得到第二图像;步骤
S3
:对标注好的第二图像进行随机数据扩增;步骤
S4
:使用扩增后的第二图像对
RetinaNet
目标检测模型进行训练,得到训练后的
RetinaNet
目标检测模型;
RetinaNet
目标检测模型包括图像拼接模块
、
归一化模块
、RetinaNet
主干网络;步骤
S5
:使用训练好的
RetinaNet
目标检测模型检测实时拍摄的偏振图像中是否包含表盘,并裁剪表盘图像;步骤
S6
:对表盘图像进行去水雾处理;步骤
S7
:表盘指针读数
。2.
根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法,其特征在于,所述四个角度的偏振图像包括0°
、45
°
、90
°
和
135
°
的偏振图像
。3.
根据权利要求1所述的基于偏振成像的深度学习指针仪表读数识别方法,其特征在于,第二图像也包括四个角度的偏振图像,图像拼接模块将四个角度的偏振图像直接在通道维度拼接在一起,得到
w*h*4
大小的拼接图像,
w
表示表盘宽度,
h
表示表盘高度;归一化模块将拼接图像归一化,归一化使用的通道均值根据
RetinaNet
主干网络使用的预训练模型选择
。4.
根据权利要求3所述的基于偏振成像的深度学习指针仪表读数识别方法,其特征在于,
RetinaNet
主干网络包括
ResNet50
网络
、
特征金字塔网络和头网络,将归一化处理后的拼接图像输入
RetinaNet
主干网络中,输入大小为
w*h*4
,然后通过一个
3*3
的卷积进行特征提取与通道整合,输出
w*h*3
大小的特征,然后通过
ResNet50
网络
、
特征金字塔网络和头网络,头网络包括分类分支和回归分支,特...
【专利技术属性】
技术研发人员:徐波,支妍力,宋小欣,钟幼平,林谋,刘嘉,赖韵宇,刘家豪,杨鹤,杜欢欢,
申请(专利权)人:国家电网有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。